Speicherverlust mit TensorFlow

Habe ich ein memory-leak mit TensorFlow. Ich refered zu Tensorflow : Memory leak auch während der Abschluss-Sitzung? zu Adresse mein Problem, und ich folgte den Ratschlägen der Antwort, das schien das problem gelöst haben. Aber es funktioniert hier nicht.

In Ordnung zu reproduzieren, ist das memory leak, die ich erstellt habe, ein einfaches Beispiel. Zunächst verwende ich diese Funktion (die ich hier bekam : Wie man die aktuelle CPU-und RAM-Verwendung in Python?) zu überprüfen Sie die Speicher-Nutzung der python-Prozess :

def memory():
    import os
    import psutil
    pid = os.getpid()
    py = psutil.Process(pid)
    memoryUse = py.memory_info()[0]/2.**30  # memory use in GB...I think
    print('memory use:', memoryUse)

Dann, jedes mal ich rufen Sie die build_model Funktion, die Verwendung von Speicher erhöht.

Hier ist die build_model Funktion, die ein Speicherleck hat :

def build_model():

    '''Model'''

    tf.reset_default_graph()


    with tf.Graph().as_default(), tf.Session() as sess:
        tf.contrib.keras.backend.set_session(sess)

        labels = tf.placeholder(tf.float32, shape=(None, 1))
        input = tf.placeholder(tf.float32, shape=(None, 1))

        x = tf.contrib.keras.layers.Dense(30, activation='relu', name='dense1')(input)
        x1 = tf.contrib.keras.layers.Dropout(0.5)(x)
        x2 = tf.contrib.keras.layers.Dense(30, activation='relu', name='dense2')(x1)
        y = tf.contrib.keras.layers.Dense(1, activation='sigmoid', name='dense3')(x2)


        loss = tf.reduce_mean(tf.contrib.keras.losses.binary_crossentropy(labels, y))

        train_step = tf.train.AdamOptimizer(0.004).minimize(loss)

        #Initialize all variables
        init_op = tf.global_variables_initializer()
        sess.run(init_op)

        sess.close()

    tf.reset_default_graph()

    return 

Hätte ich gedacht, dass mit den block - with tf.Graph().as_default(), tf.Session() as sess: und dann Schließung der Sitzung und aufrufen tf.reset_default_graph würde alles löschen des Speichers durch TensorFlow. Anscheinend ist es nicht.

Den Speicherverlust kann neu erstellt werden, wie folgende :

memory()
build_model()
memory()
build_model()
memory()

Die Ausgabe ist (für meinen computer) :

memory use: 0.1794891357421875
memory use: 0.184417724609375
memory use: 0.18923568725585938

Offensichtlich können wir sehen, dass alle verwendeten Speichers TensorFlow ist nicht befreit danach. Warum?

I in Abhängigkeit der Nutzung von Speicher über 100 Iterationen der Aufruf build_model, und das ist, was ich bekomme :

Ich denke, das geht zu zeigen, dass es ein memory leak.